CN111310309A - 一种基于无人机热红外影像温度反演校正方法 - Google Patents

Abstract

本发明公开了一种基于无人机热红外影像温度反演校正方法，步骤如下：S1：获取不同地物在不同飞行高度上对应的影像数据和实际温度数据；S2：得到在不同飞行高度、不同地物的影像数据和实际温度数据之间的变化曲线；S3：确定出不同飞行高度和不同地物分别对温度变化的影响大小；S4：根据不同飞行高度和不同地物分别对温度变化的影响大小，建立温度改正模型；S5：从影像数据中随机选取M个数据对温度改正模型进行检测，并根据检测结果，确定出最终的温度改正模型；S6：通过最终的温度改正模型，对选定区域内的任意影像数据中的热红外图像数据进行改正。本发明不同数据进行温度校正，提高数据的可靠性。

Description

一种基于无人机热红外影像温度反演校正方法

技术领域

本发明涉及无人机热红外遥感技术领域，尤其涉及一种基于无人机热红外影像温度反演校正方法。

背景技术

地表温度是研究地表和大气之间物质交换和能量交换的重要参数。大多利用卫星遥感数据来反演地表温度，已广泛应用于城市热岛效应研究、生物灾害监测和煤火提取等方面。国内外学者根据不同热红外遥感数据的特点，针对不同传感器也先后提出了辐射传输法、单通道算法、劈窗算法、多角度算法、多时相算法以及高光谱反演算法来反演地表温度。但是由于卫星过境时间有限，难以获取连续的地表温度变化信息。近年来，随着无人机技术的出现，解决了卫星遥感在影像分辨率、重访周期、云层影响以及高成本等方面的问题，目前已广泛应用于农业、林业、地形测绘、灾害监测及环境监测等方面。后来又由于轻小型热红外相机的出现，无人机热红外技术逐渐得到更多学者的青睐，用无人机搭载热红外成像仪也广泛应用于农业、林业、火灾、热环境监测等方面。但是人们也忽略了无人机热红外相机所测温度的误差以及与真实温度之间的关系，而且不同的地物可能会有不同程度的影响，直接使用无人机所测的温度会使最终结果产生很大的误差。

发明内容

发明目的：针对直接通过无人机热红外相机所测得的数据，会对结果造成误差的问题，本发明提出一种基于无人机热红外影像温度反演校正方法。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：

一种基于无人机热红外影像温度反演校正方法，所述反演校正方法具体包括如下步骤：

S1：通过无人机搭载热红外相机对选定区域内不同地物在不同飞行高度上进行拍摄，获取不同地物在不同飞行高度上对应的影像数据，同时通过热红外测温仪对正在拍摄的不同地物进行实时测温，获取不同地物在不同飞行高度上对应的实际温度数据；

S2：对所述不同地物在不同飞行高度上对应的影像数据和实际温度数据均进行整理，得到在不同飞行高度、不同地物的影像数据和实际温度数据之间的变化曲线；

S3：根据所述在不同飞行高度、不同地物的影像数据和实际温度数据之间的变化曲线，确定出不同飞行高度和不同地物分别对温度变化的影响大小；

S4：根据所述不同飞行高度和不同地物分别对温度变化的影响大小，建立温度改正模型；

S5：从所述影像数据中随机选取M个数据对温度改正模型进行检测，并根据所述检测结果，确定出最终的温度改正模型；

S6：通过所述最终的温度改正模型，对所述选定区域内的任意影像数据中的热红外图像数据进行改正。

进一步地讲，所述不同地物对应的影像数据包括有可见光图像数据和热红外图像数据，其中所述热红外数据为通过无人机搭载热红外相机测得的实验温度数据。

进一步地讲，得到所述在不同飞行高度、不同地物的影像数据和实际温度数据之间的变化曲线，具体为：

将所述不同地物在不同飞行高度上对应的影像数据和实际温度数据，根据测量时间和所属类别输入至Excel表格中，同时所述输入的影像数据和实际温度数据通过Excel表格中的散点图，获取得到所述在不同飞行高度上不同地物的影像数据和实际温度数据之间的变化曲线。

进一步地讲，所述温度改正模型为一元线性回归模型，所述一元线性回归模型的表达式具体为：

y＝β₀+β₁x+ε

其中：y为改正后的温度，x为改正前的温度，β₀和β₁均为回归系数，ε为随机误差。

进一步地讲，所述回归系数β₀和β₁的求解过程，具体如下：

第一步：根据影像数据对应的类别，在所述类别对应的所有实验温度数据和实际温度数据中，将每个所述实验温度数据、在获取相应实验温度数据同时得到的实际温度数据划分为同一组；

第二步：将每组中的所述实验温度数据作为改正前的温度，将每组中的所述实际温度数据作为改正后的温度，将每组中的所述实验温度数据和实际温度数据均代入一元线性回归模型的表达式中；

第三步：所述代入了实验温度数据和实际温度数据的所有一元线性回归模型的表达式通过最小二乘估计法，获得所述回归系数β₀和β₁的值。

进一步地讲，在所述步骤S5中，确定出所述最终的温度改正模型，具体如下：

S5.1：根据所述温度改正模型，获取所述温度改正模型对应的显著性参数大小和决定系数大小；

S5.2：判断所述温度改正模型中自变量的个数是否为1个，当所述自变量的个数只有1个，所述决定系数大小保持不变；

当所述自变量的个数超过1个，则将所述决定系数大小进行调整，并将所述调整后的决定系数作为温度改正模型对应的决定系数大小；

S5.3：判断所述温度改正模型对应的显著性参数大小是否小于0.05，所述温度改正模型对应的决定系数大小是否大于0.8，若均满足，则所述温度改正模型则为最终的温度改正模型；

若不能同时满足或均不满足，则增加所述不同地物对应的影像数据和实际温度数据，重复步骤S2-步骤S5.3，直至所述温度改正模型对应的显著性参数大小小于0.05，所述温度改正模型对应的决定系数大小大于0.8，所述满足要求的温度改正模型则为最终的温度改正模型。

进一步地讲，在所述步骤S5.3中，若不能同时满足或均不满足，可以根据所述输入的影像数据和实际温度数据，通过Excel表格中的散点图，建立多项式回归模型，并重复步骤S5.1-步骤S5.3，直至所述温度改正模型对应的显著性参数大小小于0.05，所述温度改正模型对应的决定系数大小大于0.8，所述满足要求的温度改正模型则为最终的温度改正模型。

进一步地讲，所述温度改正模型对应的决定系数大小，具体为：

其中：R²为调整前的决定系数，SSR为回归模型中可以解释的方差，TSS为执行回归分析前响应变量固有的方差，RSS为回归模型中不能解释的方差。

进一步地讲，所述调整后的决定系数具体为：

其中：

为调整后的决定系数，R²为调整前的决定系数，n为样本量，k为自变量的总个数。

有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：

本发明通过无人机热红外相机在不同高度下对不同地物的影像数据和热红外测温仪的实测数据，根据这些数据分析无人机在不同飞行高度下对温度变化的影响，分析不同的地物类别对温度变化的影响以及拼接前单张热红外影像与拼接后对应位置的温度关系，通过线性回归模型对不同数据进行温度校正，从而提高了数据的可靠性。

附图说明

图1是本发明反演校正方法的流程图；

图2是本发明所使用的实验区域及部分地物；

图3是本发明的无人机飞行高度与温度变化的曲线；

图4是本发明的地物类别与实测温度之间的变化曲线；

图5是本发明中粗校正的拟合曲线图；

图6是本发明中对与实测温度差异较小的地物精校正的拟合曲线图；

图7是本发明中与实测温度差异较大的花岗岩、草地和道路校正的拟合曲线图；

图8是本发明中拼接前后的温度变化关系图；

图9是本发明中拼接前后温度的拟合曲线图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。其中，所描述的实施例是本发明一部分实施例，而不是全部的实施例。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。

实施例1

参考图1，本实施例提供了一种基于无人机热红外影像温度反演校正方法，采用大疆无人机搭载Zenmuse XT 2热红外相机对江苏省徐州市某大学校园内的一块区域进行试验分析，试验过程中采用无人机所拍摄的像片作为实验温度数据，热红外测温仪所测温度作为实测数据。该反演校正方法具体包括如下步骤：

步骤S1：通过无人机搭载热红外相机对选定区域内的不同地物在不同飞行高度上进行拍摄，获取不同地物在不同飞行高度上对应的影像数据。在本实施例中，选择八种典型地物作为参考，该八种典型地物分别为橡胶、灌木丛、花岗岩、草地、道路、汽车、水和木桥。且八种典型地物分别对应的影像数据中包括有八种典型地物分别对应的可见光数据和热红外数据，其中八种典型地物分别对应的热红外数据分别为橡胶、灌木丛、花岗岩、草地、道路、汽车、水和木桥分别通过无人机搭载热红外相机测得的实验温度数据。值得注意的是，通过无人机搭载热红外相机测得的温度数据并不是真实的温度数据，只能作为实验温度数据，其和真实的温度数据之间存在有一定的误差。

在通过无人机搭载热红外相机获取影像数据的同时，也需要通过热红外测温仪对正在拍摄的不同地物进行实时测温，其中通过热红外测温仪测得的温度数据为实际温度数据。同时根据不同地物的类型，将该测得的实际温度数据按照类别进行归类记录。

在本实施例中，分别在2019年11月21日、2019年12月5日和2019年12月10日对整个选定区域共进行了三次的实验，获得了共186幅地表温度的热红外影像以及186幅可见光图像。其中186幅地表温度的热红外影像，即为地表温度数据的图像，但是该地表温度数据并不是真实的温度数据，而是实验温度数据。

设置无人机的飞行航线，分别采用100m和120m的飞行高度对整个选定区域进行拍摄，从而得到整个选定区域中的不同地物拍摄影像数据，同时也可以通过Pix4dmapper软件将无人机100m和120m飞行高度下的热红外影像进行自动拼接，拼接成一幅完整的热红外影像，并在拼接后的影像中找到对应位置处的温度信息，在Excel表格中整理拼接前后的温度数据。由于使用Pix4dmapper软件进行拼接时对热红外影像进行了重采样，从而需要根据在Flir Tools软件中单张热红外影像处于正射位置下的实际温度数据，得到拼接后图像的在相应位置处的实际温度数据。这是为了在分析单张影像与拼接后对应位置之间的温度关系的同时，也能够保证拼接的完好性。

由于外界环境因素会对结果造成影响，从而在同一位置处，还需要分别用20m、40m、60m、80m、100m和120m的飞行高度不断升降对该位置处的地物进行拍摄。又由于拍摄时间短，从而外界环境变化的影响可以忽略。同时在拍摄的过程中，用热红外测温仪对正在拍摄的地物进行实时测温，并将实时测得的真实温度，根据不同地物的类别进行分类记录。

其中在无人机的飞行过程中，航向重叠度和旁向重叠度设置的越高，其拼接效果越好，但是设置的越高则越会增加无人机飞行所耗费的时间，从而在本实施例中，在进行航线设置时，航向重叠度和旁向重叠度均设置为80％，即在控制飞行时间的情况下也能够满足拼接的效果。参考图2，其为选定区域、部分地物以及各自对应的热红外影像。

步骤S2：将八种典型地物对应的影像数据和实际温度数据根据所属类别输入至Excel表格中，在Excel表格中对输入的所有数据进行整理，并根据Excel表格中的散点图，得到在不同飞行高度、八种典型地物的影像数据和实际温度数据之间的变化曲线。

步骤S3：根据在不同飞行高度、八种典型地物的影像数据和实际温度数据之间的变化曲线，即参考图3，其中图3(a)、图3(b)和图3(c)分别为在三个不同时间段内，实验温度数据在不同飞行高度下的变化曲线。根据步骤S1中得到的实验温度数据，可以看出无人机的飞行高度对温度变化的影响较小，同一位置下不同高度的温度差异都在1摄氏度以内，从而可以进行忽略。

由于八种典型地物的反射率、粗糙度、比热容等本身所具有的属性不同，从而会导致不同地物通过无人机所测得的实验温度数据与实际温度数据之间的关系也有所不同。参考图4可知，其中图4(a)、图4(b)和图4(c)分别为在三个不同时间段内，不同地物对应的实验温度数据与实际温度数据之间的变化曲线。从中可以发现：不同地物通过无人机所测得的实验温度数据与实际温度数据之间的差异确实不同，其中橡胶、灌木丛、汽车、水和木桥的实验温度数据与实际温度数据的差异不大，而花岗岩、草地、道路的实验温度数据与实际温度数据之间的差异较大。

步骤S4：根据步骤S3中得到的不同飞行高度和不同地物分别对温度变化的影响大小，建立温度改正模型。该在本实施例中，温度改正模型采用一元线性回归模型，该一元线性回归模型的表达式具体为：

y＝β₀+β₁x+ε

其中：y为改正后的温度，x为改正前的温度，β₀和β₁均为回归系数，ε为随机误差。

具体地讲，一元线性回归模型表达式中回归系数β₀和β₁的求解过程，具体如下：

第一步：在八种典型地物分别对应的影像数据中，将每个实验温度数据以及该实验温度数据对应的实际温度数据划分为同一组。

第二步：根据划分的小组，将每组中的实验温度数据作为改正前的温度，将每组中的实际温度数据作为改正后的温度，同时将每组中的实验温度数据和实际温度数据均代入一元线性回归模型的表达式中，得到每组数据对应的一元线性回归模型的表达式。

第三步：根据每组数据对应的一元线性回归模型的表达式，通过最小二乘估计法使得等式两边的方差最小，即令回归系数β₀和β₁的偏导数为零，从而获得回归系数β₀和β₁的值。

在本实施例中，由于无人机的飞行高度对温度变化的影响较小，所以首先将八种典型地物的所有数据放在一起进行快速粗校正，其拟合图像结果如图5所示，其温度改正模型具体为：

Y₁＝1.680+1.017*X₁

其中：Y₁为改正后的温度，X₁为改正前的温度。

根据不同地物无人机所测得的实验温度与实测温度之间的差异大小不同，将所有数据按照差异的大小分为与实测温度差异较小的一组和与实测温度差异较大的一组进行精细校正，差异较小的橡胶、灌木丛、汽车、水、木桥的线性拟合曲线如图6所示，其温度改正模型具体为：

Y₂＝1.186+0.981*X₂

其中：Y₂为改正后的温度，X₂为改正前的温度。

与实测温度差异较大地物为花岗岩、草地、道路三类，其中花岗岩的线性拟合曲线分别如图7(a)所示，其温度改正模型具体为：

Y₃＝7.785+0.600*X₃

其中：Y₃为改正后的温度，X₃为改正前的温度。

草地的线性拟合曲线分别如图7(b)所示，其温度改正模型具体为：

Y₄＝4.383+0.890*X₄

其中：Y₄为改正后的温度，X₄为改正前的温度。

道路的线性拟合曲线分别如图7(c)所示，其温度改正模型具体为：

Y₅＝-3.653+1.635*X₅

其中：Y₅为改正后的温度，X₅为改正前的温度。

在本实施例中，使用由Flir Systems制造的Flir Tools/Tools+软件找到任一位置在正射情况下单张热红外影像的温度，将该热红外影像导入Flir Tools软件中后，可以查看单张热红外影像中任意位置处无人机所测得的真实温度信息。其中Flir Tools/Tools+软件是专用于轻松更新热像仪和创建检查报告的软件套件。

观察拼接前后的数据信息，可以得到两者之间的差异很小，大部分均集中在1.5摄氏度以下，其两者之间的关系如图8所示，同时拼接后的线性拟合曲线分别如图9所示，其温度改正模型具体为：

Y₆＝0.885+0.988*X₆

其中：Y₆为拼接前的温度，X₆为拼接后的温度。

步骤S5：从影像数据中随机选取M个数据对步骤S4中得到的温度改正模型进行检测，并根据检测结果，确定出最终的温度改正模型。具体如下：

步骤S5.1：根据步骤S4中得到的温度改正模型，即一元线性回归模型，得到温度改正模型对应的显著性参数大小和决定系数大小。其中显著性参数大小是表明自变量可以有效预测因变量的变异，决定系数大小是可以解释的变异量占因变量总变异量的比例，可以代表回归方程对因变量的解释程度，同时决定系数大小在[0,1]之间。

步骤S5.2：由于有些情况下自变量的个数可能会很多，从而需要将所有的自变量均进行排列组合后，再进行回归方程求解，并且取调整后的决定系数大小。从而判断当前温度改正模型中自变量的个数是否为1个，当自变量的个数只有1个时，则步骤S5.1中获得的决定系数大小不需进行调整，保持不变即可。其中温度改正模型对应的决定系数大小，具体为：

其中：R²为调整前的决定系数，SSR为回归模型中可以解释的方差，TSS为执行回归分析前响应变量固有的方差，RSS为回归模型中不能解释的方差。

但是当自变量的个数超过1个时，则将决定系数大小进行调整，将步骤S5.1中获得的决定系数大小进行调整，将其调整为调整后的决定系数，即调整后的决定系数作为温度改正模型对应的决定系数大小，该调整后的决定系数具体为：

其中：

为调整后的决定系数，R²为调整前的决定系数，n为样本量，k为自变量的总个数。

值得注意的是，当调整后的决定系数值较大时，则自变量对因变量的影响较大，当调整后的决定系数值较小时，则自变量对因变量的影响较小。

步骤S5.3：判断温度改正模型对应的显著性参数大小是否小于0.05，温度改正模型对应的决定系数大小是否大于0.8。这是因为当温度改正模型对应的显著性参数大小小于0.05时，则会认为系数检验显著，即回归系数的绝对值显著大于0，且做出这个结论有5％可能会犯错，有95％可能是正确的。

若显著性参数大小小于0.05、决定系数大小大于0.8，则步骤S4中得到的温度改正模型则为最终的温度改正模型。

若显著性参数大小小于0.05、决定系数大小不大于0.8，或是显著性参数大小不小于0.05、决定系数大小大于0.8，也或是显著性参数大小不小于0.05、决定系数大小不大于0.8，则可以增加整个选定区域在不同飞行高度上对应的影像数据和实际温度数据、八种典型地物分别对应的影像数据和实际温度数据，并重复步骤S2-步骤S5.3，直至温度改正模型对应的显著性参数大小小于0.05，温度改正模型对应的决定系数大小大于0.8，同时满足该要求的温度改正模型则为最终的温度改正模型。

同样地，也可以根据输入的影像数据和实际温度数据通过Excel表格中的散点图，建立多项式回归模型。譬如：散点图为开口向上的抛物线时，使用一元线性回归模型建立温度改正模型将会造成误差较大，但是使用多项式回归模型建立温度改正模型则会减少误差。同时重复步骤S5.1-步骤S5.3，直至温度改正模型对应的显著性参数大小小于0.05，温度改正模型对应的决定系数大小大于0.8，且满足该要求的温度改正模型则为最终的温度改正模型。

在本实施例中，根据温度改正模型结果可知调整后的决定系数大小都在0.85以上，所以拟合效果较好，且对每一个温度改正模型随机选择几组数据进行模型检验，通过模型计算出来的值和真实的温度值进行比较均都在1.5度以下，从而建立的模型可以进行使用。

步骤S6：根据步骤S5.3中得到的最终的温度改正模型，可以对该选定区域内的任意影像数据中的热红外图像数据进行改正。

以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构和方法并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均属于本发明的保护范围。

Claims (9)

1.一种基于无人机热红外影像温度反演校正方法，其特征在于，所述反演校正方法具体包括如下步骤：

S1：通过无人机搭载热红外相机对选定区域内不同地物在不同飞行高度上进行拍摄，获取不同地物在不同飞行高度上对应的影像数据，同时通过热红外测温仪对正在拍摄的不同地物进行实时测温，获取不同地物在不同飞行高度上对应的实际温度数据；

S2：对所述不同地物在不同飞行高度上对应的影像数据和实际温度数据均进行整理，得到在不同飞行高度、不同地物的影像数据和实际温度数据之间的变化曲线；

S3：根据所述在不同飞行高度、不同地物的影像数据和实际温度数据之间的变化曲线，确定出不同飞行高度和不同地物分别对温度变化的影响大小；

S4：根据所述不同飞行高度和不同地物分别对温度变化的影响大小，建立温度改正模型；

S5：从所述影像数据中随机选取M个数据对温度改正模型进行检测，并根据所述检测结果，确定出最终的温度改正模型；

S6：通过所述最终的温度改正模型，对所述选定区域内的任意影像数据中的热红外图像数据进行改正。

2.根据权利要求1所述的一种基于无人机热红外影像温度反演校正方法，其特征在于，所述不同地物对应的影像数据包括有可见光图像数据和热红外图像数据，其中所述热红外数据为通过无人机搭载热红外相机测得的实验温度数据。

3.根据权利要求1或2所述的一种基于无人机热红外影像温度反演校正方法，其特征在于，得到所述在不同飞行高度、不同地物的影像数据和实际温度数据之间的变化曲线，具体为：

将所述不同地物在不同飞行高度上对应的影像数据和实际温度数据，根据测量时间和所属类别输入至Excel表格中，同时所述输入的影像数据和实际温度数据通过Excel表格中的散点图，获取得到所述在不同飞行高度、不同地物的影像数据和实际温度数据之间的变化曲线。

4.根据权利要求3所述的一种基于无人机热红外影像温度反演校正方法，其特征在于，所述温度改正模型为一元线性回归模型，所述一元线性回归模型的表达式具体为：

y＝β₀+β₁x+ε

其中：y为改正后的温度，x为改正前的温度，β₀和β₁均为回归系数，ε为随机误差。

5.根据权利要求4所述的一种基于无人机热红外影像温度反演校正方法，其特征在于，所述回归系数β₀和β₁的求解过程，具体如下：

第一步：根据影像数据对应的类别，在所述类别对应的所有实验温度数据和实际温度数据中，将每个所述实验温度数据、在获取相应实验温度数据同时得到的实际温度数据划分为同一组；

第二步：将每组中的所述实验温度数据作为改正前的温度，将每组中的所述实际温度数据作为改正后的温度，将每组中的所述实验温度数据和实际温度数据均代入一元线性回归模型的表达式中；

第三步：所述代入了实验温度数据和实际温度数据的所有一元线性回归模型的表达式通过最小二乘估计法，获得所述回归系数β₀和β₁的值。

6.根据权利要求4所述的一种基于无人机热红外影像温度反演校正方法，其特征在于，在所述步骤S5中，确定出所述最终的温度改正模型，具体如下：

S5.1：根据所述温度改正模型，获取所述温度改正模型对应的显著性参数大小和决定系数大小；

S5.2：判断所述温度改正模型中自变量的个数是否为1个，当所述自变量的个数只有1个，所述决定系数大小保持不变；

当所述自变量的个数超过1个，则将所述决定系数大小进行调整，并将所述调整后的决定系数作为温度改正模型对应的决定系数大小；

S5.3：判断所述温度改正模型对应的显著性参数大小是否小于0.05，所述温度改正模型对应的决定系数大小是否大于0.8，若均满足，则所述温度改正模型则为最终的温度改正模型；

若不能同时满足或均不满足，则增加所述不同地物对应的影像数据和实际温度数据，重复步骤S2-步骤S5.3，直至所述温度改正模型对应的显著性参数大小小于0.05，所述温度改正模型对应的决定系数大小大于0.8，所述满足要求的温度改正模型则为最终的温度改正模型。

7.根据权利要求6所述的一种基于无人机热红外影像温度反演校正方法，其特征在于，在所述步骤S5.3中，若不能同时满足或均不满足，可以根据所述输入的影像数据和实际温度数据，通过Excel表格中的散点图，建立多项式回归模型，并重复步骤S5.1-步骤S5.3，直至所述温度改正模型对应的显著性参数大小小于0.05，所述温度改正模型对应的决定系数大小大于0.8，所述满足要求的温度改正模型则为最终的温度改正模型。

8.根据权利要求6所述的一种基于无人机热红外影像温度反演校正方法，其特征在于，所述温度改正模型对应的决定系数大小，具体为：

其中：R²为调整前的决定系数，SSR为回归模型中可以解释的方差，TSS为执行回归分析前响应变量固有的方差，RSS为回归模型中不能解释的方差。

9.根据权利要求8所述的一种基于无人机热红外影像温度反演校正方法，其特征在于，所述调整后的决定系数具体为：

其中：

为调整后的决定系数，R²为调整前的决定系数，n为样本量，k为自变量的总个数。

Images